深層畳み込みネットワークは、画像生成および画像復元の分野で広く用いられるツールとなっている。一般的に、その優れた性能は、多数の例示画像から現実的な画像事前知識（prior）を学習できる能力に起因するとされている。本論文では、逆に生成ネットワークの構造自体が、学習を経ることなく、多くの低レベル画像統計情報を捉えるのに十分であることを示す。この目的のため、ランダムに初期化されたニューラルネットワークが、ノイズ除去、超解像、穴埋め（インペインティング）といった標準的な逆問題において、優れた結果をもたらす手作業による事前知識（handcrafted prior）として用いられることを示す。さらに、同じ事前知識を用いることで、深層ニューラルネットワークの表現を逆算して診断することができるとともに、フラッシュあり／なしの入力ペアに基づく画像復元も可能となる。本手法は多様な応用が可能な一方で、標準的な生成ネットワークアーキテクチャが内包する誘導的バイアス（inductive bias）の重要性を浮き彫りにする。また、深層畳み込みネットワークを用いた学習ベースの画像復元手法と、自己類似性などに基づく手作業による事前知識を用いる学習フリーな手法との間のギャップを埋める役割も果たす。コードおよび補足資料は、以下のURLにて公開されている：https://dmitryulyanov.github.io/deep_image_prior